Menjelajahi data suhu

Sekarang setelah Anda mempelajari sedikit tentang data flights—dan meninjau dasar-dasar manipulasi data deret waktu—tugas Anda berikutnya adalah menelusuri pola cuaca di wilayah Boston untuk memahami apa yang dapat memengaruhi keterlambatan dan pembatalan penerbangan. Untuk itu, Anda perlu mengompilasi dan memanipulasi beberapa data deret waktu tambahan.

Dalam latihan ini, Anda akan mengeksplorasi beberapa data suhu di wilayah Boston, termasuk ukuran suhu harian minimum, rata-rata, dan maksimum dari waktu ke waktu. Data ini dikumpulkan menggunakan paket weatherData di R, yang mengambil data tersedia publik dari Weather Underground.

Sebelum melanjutkan dengan manipulasi data deret waktu, langkah pertama dalam analisis data apa pun adalah memeriksa karakteristik dasar data Anda. Secara khusus, Anda akan menelaah dua objek data suhu (temps_1 dan temps_2) untuk memahami informasi apa yang dikandungnya dan bagaimana Anda sebaiknya melanjutkan.

Latihan ini adalah bagian dari kursus

Studi Kasus: Menganalisis Data Deret Waktu Kota di R

Petunjuk latihan

Gunakan dua pemanggilan str() untuk melihat struktur masing-masing objek suhu: temps_1 dan temps_2. Perhatikan baik-baik keluarannya!
Lihat beberapa baris pertama dan terakhir dari temps_1 menggunakan head() dan tail().
Lihat beberapa baris pertama dan terakhir dari temps_2 menggunakan head() dan tail(). Apakah kedua objek ini memuat data yang serupa?

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# View the structure of each object
str(___)
str(___)

# View the first and last rows of temps_1
head(___)
tail(___)

# View the first and last rows of temps_2

Edit dan Jalankan Kode

Latihan ini adalah bagian dari kursus

Studi Kasus: Menganalisis Data Deret Waktu Kota di R

SkillTag.level.intermediateSkillTag.label

4.8+

Mulai Kursus Gratis

You've been hired to understand the travel needs of tourists visiting the Boston area. As your first assignment on the job, you'll practice the skills you've learned for time series data manipulation in R by exploring data on flights arriving at Boston's Logan International Airport (BOS) using xts & zoo.

Exercise 1: Review xts fundamentals Exercise 2: Identify the time series Exercise 3: Flight data Exercise 4: Pick out the xts object Exercise 5: Encoding your flight data Exercise 6: Manipulating and visualizing your data Exercise 7: Exploring your flight data Exercise 8: Visualize flight data Exercise 9: Calculate time series trends Exercise 10: Saving and exporting xts objects Exercise 11: Assessing flight trends Exercise 12: Saving time - I Exercise 13: Saving time - II

In this chapter, you'll expand your time series data library to include weather data in the Boston area. Before you can conduct any analysis, you'll need to do some data manipulation, including merging multiple xts objects and isolating certain periods of the data. It's a great opportunity for more practice!

Exercise 1: Menggabungkan data deret waktu berdasarkan baris Exercise 2: Menjelajahi data suhu

Latihan Saat Ini

Exercise 3: Langkah selanjutnya - I Exercise 4: Menggabungkan dengan rbind()Exercise 5: Memvisualisasikan musim dingin di Boston Exercise 6: Menggabungkan data deret waktu berdasarkan kolom Exercise 7: Subset dan penyesuaian periodisitas Exercise 8: Membuat rata-rata bulanan Exercise 9: Menggunakan merge() dan membuat plot dari waktu ke waktu Exercise 10: Apakah penundaan penerbangan terkait dengan suhu?Exercise 11: Alur kerja data deret waktu Exercise 12: Langkah berikutnya - II Exercise 13: Memperluas data Anda Exercise 14: Apakah keterlambatan penerbangan terkait dengan jarak pandang atau angin?

Now it's time to go further afield. In addition to flight delays, your client is interested in how Boston's tourism industry is affected by economic trends. You'll need to manipulate some time series data on economic indicators, including GDP per capita and unemployment in the United States in general and Massachusetts (MA) in particular.

Exercise 1: Handling missingness Exercise 2: Exploring economic data Exercise 3: Replace missing data - I Exercise 4: Replace missing data - II Exercise 5: Estimating missing GDP Exercise 6: Lagging and differencing Exercise 7: Exploring unemployment data Exercise 8: Lagging unemployment Exercise 9: Differencing unemployment Exercise 10: Rolling functions Exercise 11: Add a discrete rolling sum to GDP data Exercise 12: Add a continuous rolling average to unemployment data Exercise 13: Manipulating MA unemployment data

Having exhausted other options, your client now believes Boston's tourism industry must be related to the success of local sports teams. In your final task on this project, your supervisor has asked you to assemble some time series data on Boston's sports teams over the past few years.

Exercise 1: Advanced features of xts Exercise 2: Encoding and plotting Red Sox data Exercise 3: Calculate a closing average Exercise 4: Calculate and plot a seasonal average Exercise 5: Calculate and plot a rolling average Exercise 6: Indexing commands in xts Exercise 7: Extract weekend games Exercise 8: Calculate a rolling average across all sports Exercise 9: Viewing sports trends Exercise 10: Congratulations